[深度学习]Object detection物体检测之概述(1)

目录

一、Object detection物体检测与其他计算机视觉问题的区别与联系

二、 Object detection物体检测的数据集

三、 Object detection物体检测的性能指标

1. Intersection over Union (IoU) 交并比

2.mean Average Precision (mAP)

三、Object detection物体检测的主要算法

1.传统的目标检测算法

2.深度学习算法

（1）two-stage检测算法

（2）one-stage检测算法

---

一、Object detection物体检测与其他计算机视觉问题的区别与联系

在这里。有必要解释一下几大计算机视觉问题的区别与联系。说起物体检测是，那是计算机视觉之中一个比较热门的问题。而它与图像识别classification的区别在于，图像识别classification提供了localization的定位操作，物体检测则是包括了定位和分类的两个任务。在现实世界中我们更多的能使用到物体检测的技术，因为拍摄的照片都是带有很高复杂性的，可能存在多个目标物体。而识别classification任务只能识别比较显著的一个，物体检测任务则能识别多个。从物体检测更进一步，我们不仅希望在图像中找到对象，而且还要找到每个检测到的对象每个的像素掩码，这个问题称为实例分割Instance Segmentation。

二、 Object detection物体检测的数据集

1. PASCAL Visual Object Classification (PASCAL VOC) 是一个比较老的数据集，从05年~12年PASCAL VOC数据集一直举办计算机视觉的比赛，分为八个不同类别的比赛，包括object detection, classification, segmentation等等。虽然只有二十个分类，它依然是object detection的重要参考数据。

2.自2013年以来，ImageNet发布了一个带有边界框的对象检测数据集。训练数据集由大约500 000个仅用于训练的图像和200个类别组成。这个数据集很少被使用因为需要很高的算力，而且太多的分类对detection任务不利。

3.另一方面， Common Objects in COntext (COCO) 数据集中的公共对象由Microsoft开发。该数据集用于多种挑战：字幕生成，对象检测，关键点检测和对象分割。COCO对象检测挑战，包括使用边界框本地化图像中的对象，并将它们中的每一个分类在80个类别之间。数据集每年都在变化，但通常由超过120,000张用于训练和验证的图像组成，还有超过40 000张图像用于测试。